Poly-Ranking · aus dem Trend des Tages

Das beste KI-Modell für Agenten (Open-Weight, Oktober 2026)

Mistral Large 4 belegt mit nur 15,83% Platz 6 von 75 beim juristischen Agententest von Harvey und Platz 32 von 44 beim breiteren Vals Index. Dort erreicht DeepSeek V4.1 Flash 61,26% bei 0,66 $ pro Test.

  • Nr. 1: Mistral Large 4
  • 10 Plätze

01Endgültige Liste

Die führenden KIs haben unabhängig voneinander jeweils eine eigene Liste mit zehn Plätzen erstellt. Hier steht ein leicht prüfbares Ergebnis: Jeder Platz hat einen Grund, eine Quelle und die Liste der KIs, die ihn aufgenommen haben.

Reihenfolge: von größter bis geringster Übereinstimmung der KIs.

Ein helles Kennzeichen heißt: Diese KI hat den Eintrag auf ihre Liste gesetzt. Ein blasses: hat sie nicht.

  1. 1

    Mistral Large 4

    Der kleinste Abstand im Bereich Cyber: Mistral gibt etwa 82% an, unabhängige Tests messen 79–81,7%. Vals misst 26,26% bei Terminal-Bench 4.0 und 15,83% beim juristischen Agententest von Harvey.

    Aufgenommen: Claude, ChatGPT, Meta, Gemini, Wenxin, DeepSeek, Qwen. Nicht aufgenommen: Nova.

    In ihren Listen: Claude: 2 · ChatGPT: 10 · Meta: 5 · Gemini: 5 · Wenxin: 3 · DeepSeek: 3 · Qwen: 3

    Was jede KI angemerkt hat 7
    • ClaudePlatz 2

      Seine Cyber-Behauptung hat die kleinste sichtbare Lücke: Mistral nennt rund 82 % bei CyberGym-E2E, ein unabhängiger Index hat 81,7 % gemessen.

      Quelle ↗
    • ChatGPTPlatz 10

      Apache 2.0 bietet einen betrieblichen Vorteil, wenn ein Unternehmen Kundenagenten hosten will, ohne die Model-as-a-Service-Ausnahme von Large 4.

      Quelle ↗
    • MetaPlatz 5

      Anbieterangabe 93 % Cybench, 82 % Schwachstellen-Patching, 61,7 % DeepSWE v1.1 – unabhängig 41 % Terminal-Bench 4.0 und 48 % Coding Agent Index, bei 47 % weniger Tokens

      Quelle ↗
    • GeminiPlatz 5

      Beansprucht beeindruckende 82 % bei CyberGym-E2E und 61,7 % bei DeepSWE v1.1, fällt aber auf 15,83 % im unabhängigen Legal Agent Benchmark von Harvey.

      Quelle ↗
    • WenxinPlatz 3

      Die 123-Mrd.-Agenten-Werte sehen auf dem Papier gut aus – unabhängige Tests zeigen einen Abstand von 20 Punkten

      Quelle ↗
    • DeepSeekPlatz 3

      Mistrals Startangaben: 82 % CyberGym-E2E, 93 % Cybench und 61,7 % DeepSWE – doch unabhängige Cyber-Index-Tests sehen es bei rund 51 %, eine Vertrauenslücke von etwa 31 Punkten, die für Käufer von Sicherheitsagenten die entscheidende Zahl ist.

      Quelle ↗
    • QwenPlatz 3

      Mistral behauptet 82 % bei CyberGym und 61,7 % bei DeepSWE, unabhängige Tester messen 81,7 % und 60 % – eine seltene „ehrliche“ Vertrauenslücke.

      Quelle ↗
    7 KIs setzten es hierher
  2. 2

    DeepSeek V4.1 Flash

    Bestes offenes Modell im Vals Index mit 61,26% bei 0,66 $ pro Test und bestes veröffentlichtes Modell bei FrontierCode mit 28%. Die unabhängigen Terminal-Bench-4.0-Ergebnisse widersprechen dem: 19,7% gegenüber 31,8%.

    Aufgenommen: Claude, ChatGPT, Meta, DeepSeek, Qwen. Nicht aufgenommen: Gemini, Nova, Wenxin.

    In ihren Listen: Claude: 3 · ChatGPT: 1 · Meta: 1 · DeepSeek: 1 · Qwen: 2

    Was jede KI angemerkt hat 5
    • ClaudePlatz 3

      Mistrals Grafik ließ es weg, und die Tabelle von Reflection AI setzt es bei DeepSWE über Large 4 (74,2 % gegen 61,7 %).

      Quelle ↗
    • ChatGPTPlatz 1

      Mit 28 % unabhängig gemessenem Abschluss bei FrontierCode liegt es vor allen veröffentlichten offenen Gewichten, und ein gemessener Anbieter verlangt 0,37 $ pro zusammengesetztem Intelligenztest-Versuch.

      Quelle ↗
    • MetaPlatz 1

      Vals-Index-Spitze unter den offenen Modellen mit 61,26 % bei 0,66 $ pro Test gegenüber Sonnet 5.5 mit 18,70 $ – 28-mal günstiger, 90,6 Terminal-Bench 2.1 laut Anbieter, aber 31,8 unabhängig

      Quelle ↗
    • DeepSeekPlatz 1

      Ein unabhängiger Vals-Index-Wert von 61,26 % bei 0,66 $ pro Test – doch der vom Anbieter angegebene DeepSWE-Wert von 74,2 bricht bei Vals’ unabhängigem Terminal-Bench 4.0 auf 19,7 % ein, eine der größten Vertrauenslücken des Felds.

    • QwenPlatz 2

      Das MIT-lizenzierte Arbeitspferd bewältigt komplexe Coding-Agenten über mehrere Dateien zu einem Bruchteil der Kosten US-amerikanischer Spitzenmodelle.

    5 KIs setzten es hierher
  3. 3

    Xiaomi MiMo-V2.6-Pro

    Erzielt 57,81–59,5% im Vals Index bei 0,13–0,24 $ pro Testversuch. Die Werte 89,9 bei Terminal-Bench 2.1 und 71,9 bei DeepSWE sind eigene Angaben von Xiaomi.

    Aufgenommen: Claude, ChatGPT, Meta, DeepSeek, Qwen. Nicht aufgenommen: Gemini, Nova, Wenxin.

    In ihren Listen: Claude: 7 · ChatGPT: 3 · Meta: 2 · DeepSeek: 5 · Qwen: 8

    Was jede KI angemerkt hat 5
    • ClaudePlatz 7

      Eine Vals-Analyse titelt, es sei rund 100-mal günstiger als Claude Opus 5.5.

    • ChatGPTPlatz 3

      Verbindet 57,81 % professionelle Genauigkeit bei Vals mit angeblich 0,24 $ pro Intelligenztest-Versuch bei GMI.

      Quelle ↗
    • MetaPlatz 2

      89,9 bei Terminal-Bench 2.1, knapp vor Claude Opus 5 mit 89,1, 71,9 DeepSWE v1.1, 94 % CyberGym, 0,13 $ pro Intelligenz-Aufgabe

      Quelle ↗
    • DeepSeekPlatz 5

      Ein unabhängiger Vals-Wert von 59,5 % mit voller MIT-Lizenz und 0,435 $/0,87 $ pro Million Tokens – die beste Kosten-pro-fertige-Aufgabe unter wirklich freizügigen Modellen.

      Quelle ↗
    • QwenPlatz 8

      Ein spezialisierter Denk-Agent, der allgemeine Modelle bei mathematiklastigen Coding-Aufgaben schlägt, ohne einen 100-Mrd.-Parameter-Bedarf.

      Quelle ↗
    5 KIs setzten es hierher
  4. 4

    GLM-5.3 (Z.ai)

    Erreicht 48–49 im Coding Agent Index von Artificial Analysis und 40% bei Terminal-Bench 4.0. Der CyberGym-Wert von 84,5% stammt von Z.ai, das seine Methode veröffentlicht hat, doch hat sie bisher niemand nachgestellt.

    Aufgenommen: Claude, ChatGPT, Meta, DeepSeek. Nicht aufgenommen: Gemini, Nova, Wenxin, Qwen.

    In ihren Listen: Claude: 1 · ChatGPT: 2 · Meta: 3 · DeepSeek: 2

    Was jede KI angemerkt hat 4
    • ClaudePlatz 1

      Z.ai hat seine Testmethode veröffentlicht (Claude Code 2.1.207, pass@1 über 1.507 CyberGym-Aufgaben), damit jeder die 84,5 anfechten kann, doch unabhängig hat das bisher niemand getan.

    • ChatGPTPlatz 2

      Erreicht DeepSeeks Intelligenz-Index von 32, kostet aber 2,53 $ pro Intelligenztest-Versuch bei einem unabhängig gemessenen Anbieter.

      Quelle ↗
    • MetaPlatz 3

      84,5 % CyberGym White-Box – technisch vor Claude Mythos 5 mit 83,8 %, DeepSWE 66,9 % gegenüber 46,2 zuvor, 40 % Terminal-Bench 4.0

      Quelle ↗
    • DeepSeekPlatz 2

      Die Coding-Kategorie von Vals’ gibt ihm 64,3 – der beste Coding-Agenten-Wert unter offenen Gewichten. Seine unabhängigen Zahlen halten besser stand als die meisten, aber sein Lizenzstreit zählt für alle, die Agenten für Kunden hosten.

      Quelle ↗
    4 KIs setzten es hierher
  5. 5

    Kimi K3 (Moonshot AI)

    Etwa 57–58% im Vals Index. Die 88,3 bei Terminal-Bench 2.1 sind eine eigene Angabe von Moonshot, in Metas Tabelle stehen 85,0, und die Gewichte brauchen 1,4 TB.

    Aufgenommen: Claude, ChatGPT, Meta, DeepSeek. Nicht aufgenommen: Gemini, Nova, Wenxin, Qwen.

    In ihren Listen: Claude: 4 · ChatGPT: 8 · Meta: 6 · DeepSeek: 4

    Was jede KI angemerkt hat 4
    • ClaudePlatz 4

      Seine 88,3 bei Terminal-Bench 2.1 stammen von Moonshot selbst, Metas Tabelle nennt 85,0, und die Gewichte wiegen 1,4 TB.

      Quelle ↗
    • ChatGPTPlatz 8

      Seine starke Bewertung durch menschliche Präferenzen macht es wert, es als Planungs- oder Prüfagenten zu testen, doch das ist kein Beweis für abgeschlossene Werkzeug-Abläufe.

    • MetaPlatz 6

      Bester offener Wert im Vals Index mit 57 %, 1488 Arena, K3.1 Pro erreicht 67 % bei Terminal-Bench 4.0 in v5 – bester offener Terminal-Wert

      Quelle ↗
    • DeepSeekPlatz 4

      Ein unabhängiger Vals-Wert von 57,8 % und ein offener LMArena-Elo von 1.487 – doch die Auslöseschwelle von 20 Mio. $ Umsatz und die Grenze von 100 Mio. monatlich aktiven Nutzern heißen, dass Agenten-Plattformen einen kommerziellen Deal einplanen müssen, nicht nur GPUs.

      Quelle ↗
    4 KIs setzten es hierher
  6. 6

    Qwen3.8 Max (2.4T-A95B)

    Die Herstellerangaben zu Terminal-Bench 2.1 widersprechen sich (86,6 gegenüber 67,4), und einen unabhängigen Agentenwert gibt es nicht. Bei 2,4 Billionen Parametern gilt für Dienst- und Programmierassistenz-Unternehmen eine Hürde von 50 Mio. $.

    Aufgenommen: Claude, Meta, DeepSeek, Qwen. Nicht aufgenommen: ChatGPT, Gemini, Nova, Wenxin.

    In ihren Listen: Claude: 6 · Meta: 8 · DeepSeek: 6 · Qwen: 5

    Was jede KI angemerkt hat 4
    • ClaudePlatz 6

      Die GPQA-Angabe von 92,6 gilt für die Max-Version, nicht für den herunterladbaren Checkpoint.

    • MetaPlatz 8

      2,4 Billionen gesamt, 95 Mrd. aktiv, eigene 50-Mio.-$-MaaS-Schranke, 68,89 % bei IOI – das 27B-Geschwistermodell unter Apache ist die saubere Lizenzalternative

      Quelle ↗
    • DeepSeekPlatz 6

      Starke Coding-Agenten-Werte (67,4 bei Terminal-Bench 2.1 in Anbietertests), aber eine Umsatzschwelle von 50 Mio. $ für konkurrierende MaaS- und Coding-Assistenz-Geschäfte – die Agentenplattform, die es Kunden hostet, muss einen kommerziellen Deal einplanen.

      Quelle ↗
    • QwenPlatz 5

      Alibabas Agenten-Orchestrator dominiert asiatische Rechts- und Finanzabläufe, doch seine Lizenzgrenze von 50 Mio. $ Umsatz bremst die globale SaaS-Verbreitung.

    4 KIs setzten es hierher
  7. 7

    Meta Muse Spark Open

    Platz 1 beim juristischen Agententest von Harvey mit 25,00% und Platz 3 von 79 bei den Vals-Finanzagenten, doch nur 46,61% im Vals Index, bei 4,08 $ pro Test (eine Quelle).

    Aufgenommen: Claude, Meta, DeepSeek. Nicht aufgenommen: ChatGPT, Gemini, Nova, Wenxin, Qwen.

    In ihren Listen: Claude: 5 · Meta: Liste ansehen · DeepSeek: 7

    Was jede KI angemerkt hat 3
    • ClaudePlatz 5

      Meta sagt, es schlage Kimi K3 bei der Tool-Nutzung, liege beim Coding aber zurück: 76,4 gegen 85,0 bei Terminal-Bench 2.1.

      Quelle ↗
    • Meta

      In der eigenen Liste anders benannt: ganze Liste öffnen.

      Liste ansehen
    • DeepSeekPlatz 7

      Platz 1 bei Vals AIs Harvey Legal Agent Benchmark mit 25,00 %, doch seine Auslöseschwelle von 20 Mio. $ für MaaS-Weiterverkauf heißt, dass Legal-Tech-Plattformen vor dem Hosting für Mandanten einen gesonderten Deal brauchen.

    3 KIs setzten es hierher
  8. 8

    GLM-5.3 Flash (Z.ai)

    Ein Budget-Agent unter MIT: 47,22% im Vals Index bei 0,15 $/0,50 $ pro Million Token. Seine 84,3 bei Terminal-Bench 2.1 sind die eigene Angabe des Anbieters.

    Aufgenommen: Meta, DeepSeek. Nicht aufgenommen: Claude, ChatGPT, Gemini, Nova, Wenxin, Qwen.

    In ihren Listen: Meta: 4 · DeepSeek: 9

    Was jede KI angemerkt hat 2
    • MetaPlatz 4

      MIT, 0,15 $/0,50 $, 84,3 bei Terminal-Bench 2.1 laut Anbieter, bester Preis für einen offenen Agenten auf einem einzelnen Host

      Quelle ↗
    • DeepSeekPlatz 9

      Nur 23 auf AA v5, doch OpenMDW-1.1 öffnet Gewichte, Trainingsdaten und Rezepte – das transparenteste Modell für langlaufende Agenten, zu 0,60 $/2,60 $ pro Million Tokens.

    2 KIs setzten es hierher
  9. 9

    Nvidia Nemotron 3.5 Bolt 74B

    Die leichteste Option: 74 Mrd. Parameter, davon 9 Mrd. aktiv, passt bei 2 Bit auf eine 24-GB-GPU. Seine 50,98 bei Terminal-Bench 2.1 sind eine Angabe von Nvidia selbst, eine unabhängige Messung gibt es noch nicht.

    Aufgenommen: Claude, Meta. Nicht aufgenommen: ChatGPT, Gemini, Nova, Wenxin, DeepSeek, Qwen.

    In ihren Listen: Claude: 8 · Meta: 10

    Was jede KI angemerkt hat 2
    • ClaudePlatz 8

      Das leichteste der Gruppe: 74 Mrd. Parameter, davon 9 Mrd. aktiv, passt bei 2 Bit in 24 GB.

    • MetaPlatz 10

      Beste US-Hardware-Passung – Gemma mit 1452 Arena auf 31B, Nemotron 74 Mrd. gesamt, 9 Mrd. aktiv passt auf eine 24-GB-GPU, Apache 2.0 plus Nvidia-Open-Lizenz

      Quelle ↗
    2 KIs setzten es hierher
  10. 10

    DeepSeek V4 Pro

    76% bei CyberGym-E2E ohne eine einzige Verweigerung bei 840 feindseligen Aufgaben, nah an Mistrals 79%, unter MIT. Nur eine Quelle berichtet dies.

    Aufgenommen: Meta. Nicht aufgenommen: Claude, ChatGPT, Gemini, Nova, Wenxin, DeepSeek, Qwen.

    In ihren Listen: Meta: 7

    Was jede KI angemerkt hat 1
    • MetaPlatz 7

      MIT, null Ablehnungen bei 840 feindseligen Sicherheitsaufgaben, 76 % CyberGym-E2E gegenüber 79 % bei Mistral Large 4, halbe Kosten pro Erfolg

      Quelle ↗
    1 KIs setzten es hierher

Mehr über die ersten drei ↓

02Mehr über die ersten drei

Das Ranking steht oben. Hier mehr über die drei ersten Plätze: was sie sind, warum sie hier stehen und was man wissen sollte.

Die drei werden nicht auf dieselbe Weise gemessen: Der Platz von Mistral beruht darauf, wie nah seine Cyber-Angabe an unabhängigen Tests liegt. Die beiden anderen werden nach ihren Vals-Index-Werten und den Preisen pro Test beurteilt, und die unterscheiden sich je nach Anbieter.

1Mistral Large 4

Nr. 1 — Mistral Large 4. In den Listen von 7 von 8 KIs; mittlerer Platz dort: 3. Die KIs stellen es an die erste Stelle, weil seine Cyber-Angabe den kleinsten Abstand zu dem hat, was unabhängige Tests gemessen haben. Seine übrigen Werte sind allerdings schwächer.

Schon gewusst?

  • Mistral 7B wurde am 27. September 2023 als BitTorrent-Magnetlink veröffentlicht, nicht als normale Download-Seite. Mixtral 8x7B (Dezember 2023) und Mixtral 8x22B (April 2024) wurden auf Twitter ebenfalls als Torrent-Links geteilt.

Was es ist
Ein großes Mistral-Modell, das für KI-Agenten genutzt werden kann, mit angekündigten offenen Gewichten.
Seine Stärke
Seine Cyber-Angabe von rund 82% kommt den unabhängigen Ergebnissen am nächsten.
Für wen
Passt für sicherheitsbewusste Teams, die ehrliche Angaben schätzen. Nicht geeignet für Teams, die niedrige Kosten oder Tempo brauchen.
  • Vals-Index-WertNr. 32 von 44 im Vals Index
Schon gewusst?
  • Die erste Finanzierungsrunde von Mistral im Juni 2023 betrug 105 Millionen € (117 Millionen $). Die Financial Times schätzte den Wert des Unternehmens auf 240 Millionen €, dabei war das Unternehmen erst etwa zwei Monate alt.

Geschichte
  • Am 6. Oktober 2026 eröffnete Mistral eine öffentliche Vorschau auf Mistral Large 4. Das Unternehmen erklärte, die herunterladbaren Gewichte sollten bis Ende Oktober folgen, nach weiterer Sicherheitsarbeit. Der Artikel sagt, dieser Sicherheitsschritt sei noch nicht abgeschlossen.

Gut zu wissen
  • Es denkt vor der Antwort sehr lange nach und verwendet deshalb viele Wörter. Ein Test zählte rund 200 Millionen Token gegenüber einem Median von rund 81 Millionen. Bei einer langen Eingabe vergingen bis zum ersten Token etwa 18,7 Sekunden.

  • Im Artificial Analysis Intelligence Index erreichte es 38,4 Punkte und lag damit hinter Kimi K3 und Qwen 3.8 Max. Seine Halluzinationsquote liegt bei 41,9%. Günstigere Modelle wie DeepSeek V4.1 Flash erreichen ungefähr dasselbe Ergebnis, kosten pro Aufgabe aber deutlich weniger.

Weiterlesen
  • Öffnen Sie zuerst die Ankündigung von Mistral Large 4 und lesen Sie die Benchmark-Liste des Anbieters, beginnend mit der Cyber-Angabe von 82%. Die Seite sagt, die offenen Gewichte sollten bis Monatsende erscheinen. Prüfen Sie, ob sie schon da sind.

Die ersten drei vergleichen ↓

2DeepSeek V4.1 Flash

Nr. 2 — DeepSeek V4.1 Flash. In den Listen von 5 von 8 KIs; mittlerer Platz dort: 1. Die KIs stellten es auf Platz zwei für den besten Vals-Index-Wert unter den offenen Modellen zu einem niedrigen Preis pro Test, trotz ungleichmäßiger Ergebnisse bei Terminal-Bench.

Schon gewusst?

  • Trotz seines Namens „Flash“ hat das Modell insgesamt rund 552 Milliarden Parameter. Pro Token sind nur etwa 8 Milliarden aktiv, wenn es die Eingabe liest, und etwa 16 Milliarden, wenn es die Antwort schreibt. Dadurch bleibt der Betrieb günstig.

Was es ist
Ein günstiges, schnelles DeepSeek-Modell mit riesigem Speicher für lange Texte.
Seine Stärke
Im Vals Index liegt es bei den offenen Modellen vorn und kostet pro Test deutlich weniger.
Für wen
Passt für Programmierer, die starke Ergebnisse günstig wollen. Nicht geeignet für Teams, die bei jedem Test gleichbleibende Ergebnisse brauchen.
  • Vals-Index-Wert61,26% bei 0,66 $ pro Test
Schon gewusst?
  • DeepSeek V4.1 Flash kann auf einmal rund 1 Million Token lesen, also grob mehrere lange Romane. Es kann außerdem bis zu 384.000 Token in einer Antwort schreiben, wobei die genauen Grenzen je nach Anbieter verschieden sind.

Geschichte
  • DeepSeek V4.1 Flash wurde am 10. September 2026 veröffentlicht. Auf der Angebotsseite heißt es, es sei der „Nachfolger“ von V4 Flash und V4 Pro. Die Seite sagt aber nicht, ob diese älteren Modelle eingestellt wurden.

Gut zu wissen
  • Die großen Ergebnisse stammen von DeepSeek selbst und sind nicht unabhängig geprüft. Beim Humanity's Last Exam, einem schweren akademischen Test, erreicht es 36,8 gegenüber 56,3 bei Opus 5. Beim Terminal-Bench 3.0 liegt es zudem hinter US-Modellen zurück.

Weiterlesen
  • Öffnen Sie zuerst die Seite von Vals AI und schauen Sie sich den Wert für Terminal-Bench 4.0 an. Dort steht 19,70% für diesen Test. Vergleichen Sie ihn mit dem Ergebnis für 2.1 auf derselben Seite, dann sehen Sie, warum die Zahlen abweichen.

ChatGPT, Meta, DeepSeek setzten es auf Platz 1. Was sie darin sahen
  • ChatGPT: Mit 28 % unabhängig gemessenem Abschluss bei FrontierCode liegt es vor allen veröffentlichten offenen Gewichten, und ein gemessener Anbieter verlangt 0,37 $ pro zusammengesetztem Intelligenztest-Versuch.

  • Meta: Vals-Index-Spitze unter den offenen Modellen mit 61,26 % bei 0,66 $ pro Test gegenüber Sonnet 5.5 mit 18,70 $ – 28-mal günstiger, 90,6 Terminal-Bench 2.1 laut Anbieter, aber 31,8 unabhängig

  • DeepSeek: Ein unabhängiger Vals-Index-Wert von 61,26 % bei 0,66 $ pro Test – doch der vom Anbieter angegebene DeepSWE-Wert von 74,2 bricht bei Vals’ unabhängigem Terminal-Bench 4.0 auf 19,7 % ein, eine der größten Vertrauenslücken des Felds.

Die ersten drei vergleichen ↓

3Xiaomi MiMo-V2.6-Pro

Nr. 3 — Xiaomi MiMo-V2.6-Pro. In den Listen von 5 von 8 KIs; mittlerer Platz dort: 5. Die KIs stellten es auf Platz drei für einen soliden Vals-Index-Wert bei sehr niedrigem Preis. Seine besten Zahlen stammen nur von Xiaomi selbst.

Schon gewusst?

  • MiMo-V2.6-Pro hat rund 1,02 Billionen Parameter, pro Token sind aber nur 42 Milliarden aktiv. Die Gewichte liegen auf Hugging Face unter der MIT-Lizenz, die kommerzielle Nutzung erlaubt.

Was es ist
Ein riesiges Xiaomi-Modell mit offenen Gewichten unter der MIT-Lizenz, gebaut für Agenten-Aufgaben.
Seine Stärke
Pro Test kostet es mit 0,13–0,24 $ am wenigsten von den dreien.
Für wen
Passt für Teams, die ein günstiges, offenes Modell wollen. Nicht geeignet für Teams ohne große GPU-Server.
  • Vals-Index-Wert57,81–59,5% bei 0,13–0,24 $
Schon gewusst?
  • Berichten zufolge enthält die Veröffentlichung auch den Trainingscode und die Umgebungen für bestärkendes Lernen, nicht nur die Gewichte. Das ist seltener als ein reiner Modell-Download.

Geschichte
  • Nachdem MiMo-V2.6 2026 erschienen war, stellten Nutzer von Agenten fest, dass es manchmal denselben Werkzeugaufruf immer wieder sendete. Es wirkte beschäftigt, kam aber nicht voran. Xiaomis späterer MOPD-Checkpoint wird an genau diesem Problem gemessen.

Gut zu wissen
  • Es selbst laufen zu lassen ist aufwendig: „Man braucht etwa 573 GB Gewichte im GPU-Speicher, bevor der KV-Cache dazukommt.“ Der Leitfaden sagt, das heiße in der Praxis 8 H200-Karten.

  • Die hohen Agenten-Ergebnisse stammen von Xiaomi selbst und wurden in eigenen Testumgebungen gemessen. Der Leitfaden sagt, bei den internen Werten könne „niemand außerhalb von Xiaomi das reproduzieren“. Das Modell ist außerdem sehr ausführlich: 140 Millionen Ausgabe-Token über die gesamte Testreihe.

Weiterlesen
  • Lesen Sie zuerst die Benchmark-Tabelle auf der Modellkarte und danach die empfohlenen Einstellungen. Die Werte dort stammen von Xiaomi selbst. Prüfen Sie sie gegen unabhängige Ergebnisse wie Vals, bevor Sie sich darauf verlassen.

Die ersten drei vergleichen ↓

Die ersten drei nebeneinander

Mistral Large 4DeepSeek V4.1 FlashXiaomi MiMo-V2.6-Pro
In den KI-Listen7 / 85 / 85 / 8
Vals-Index-WertNr. 32 von 44 im Vals Index61,26% bei 0,66 $ pro Test57,81–59,5% bei 0,13–0,24 $
Auf Platz 1 bei—ChatGPT, Meta, DeepSeek—

Plätze mit gleich vielen KIs sind nach ihrem durchschnittlichen Platz in den Listen der KIs geordnet.

03Wissenswert

Was den KIs beim Erstellen der Liste aufgefallen ist.

Die Umgebung um das Modell verschiebt Agentenwerte genauso stark wie das Modell selbst: Ein Modell erreichte 45,9% bei SWE-Bench Pro mit einer Standardumgebung und 55,4% mit dem eigenen Agenten des Anbieters.

Bemerkt von:
Aufgenommen: Claude, DeepSeek. Nicht aufgenommen: ChatGPT, Meta, Gemini, Nova, Wenxin, Qwen.
Quelle ↗

Hersteller nennen Terminal-Bench-2.1-Werte von 76–90, während unabhängige Läufe von Terminal-Bench 4.0 bei etwa 20–41% liegen. Die Versionen unterscheiden sich, die Lücke ist also eine Warnung, keine Messung.

Bemerkt von:
Aufgenommen: Claude, Meta, DeepSeek. Nicht aufgenommen: ChatGPT, Gemini, Nova, Wenxin, Qwen.
Quelle ↗

Mistral Large 4 erreicht 81,56% bei Vibe Code, aber 26,26% bei Terminal-Bench 4.0, und 67,68% im Vals Legal Index, aber 15,83% als juristischer Agent. Das Material zu kennen heißt nicht, die Aufgabe zu Ende zu bringen.

Bemerkt von:
Aufgenommen: ChatGPT, Gemini. Nicht aufgenommen: Claude, Meta, Nova, Wenxin, DeepSeek, Qwen.
Quelle ↗

Mistrals Cyber-Angabe ist die seltene Nahübereinstimmung zwischen Startwert und unabhängigem Test (~82% gegenüber 81,7%). Ein Teil des Vorsprungs kommt jedoch daher, dass geschlossene Modelle die Aufgaben ablehnen.

Bemerkt von:
Aufgenommen: Claude, Meta, Qwen. Nicht aufgenommen: ChatGPT, Gemini, Nova, Wenxin, DeepSeek.
Quelle ↗

DeepSeek V4.1 Flash kostet 0,66 $ pro Vals-Test, Claude Sonnet 5.5 dagegen 18,70 $. Das Modell ist rund 28-mal günstiger, bei etwa 9 Punkten weniger Genauigkeit.

Bemerkt von:
Aufgenommen: Meta, DeepSeek. Nicht aufgenommen: Claude, ChatGPT, Gemini, Nova, Wenxin, Qwen.
Quelle ↗

04Was Leute fragen

KI-Modelle oder KI-Agenten?

Ein Modell ist das trainierte Netzwerk; ein Agent ist dieses Modell plus Umgebung, Werkzeuge und Gedächtnis, die in einer Schleife arbeiten. Allein die Umgebung kann einen Wert von 45,9% auf 55,4% heben.

Quelle ↗
Welches KI-Modell ist das beste für Agenten?

Unter den offenen Gewichten führt DeepSeek V4.1 Flash den Vals Index mit 61,26% bei 0,66 $ pro Test an. Für juristische Agenten liegt Muse Spark Open mit 25,00% im Test von Harvey vorn.

Quelle ↗
Welches KI-Modell ist das beste für Hermes Agent?

Nous Research nennt kein offizielles Standardmodell, und Anleitungen widersprechen sich (Kimi K3, GLM-5.2, MiniMax M3, ein kleines Qwen für den lokalen Betrieb). Testen Sie es in Ihrer eigenen Hermes-Umgebung.

Quelle ↗
Warum weichen Agentenwerte der Anbieter und unabhängige Werte voneinander ab?

Anbieter melden ihre beste Umgebung und Einstellungen und oft eine ältere Testversion. DeepSeeks eigene Angabe für Terminal-Bench 4.0 liegt bei 42,3%, gemessen hat Vals 31,8%.

Quelle ↗

05So haben wir gezählt

In einfachen Worten, ohne Formeln.

1Die Frage

Top 10 Open-Weight-KI-Modelle für Agenten: Wer die Aufgabe zu Ende bringt, nicht bloß wer die Schlagzeile gewinnt

2Warum dieses Thema

Wer Agenten baut, sieht, welche offenen Modelle außerhalb des Labors des Anbieters bestehen und wo eine Startmeldung und ein unabhängiger Test auseinandergehen.

3Wofür es gilt

Weltweite Open-Weight-Modelle, die als Agenten für Programmier-, Sicherheits- und Rechtsarbeit eingesetzt werden

4Worauf wir geachtet haben

  • Erfolgsquote von Agenten bei unabhängigen Benchmarks
  • Abstand zwischen der Herstellerangabe zum Agentenwert und dem nächsten unabhängigen Wert
  • Kosten einer abgeschlossenen Aufgabe
  • Modellgröße und Hardware, die zum Betrieb nötig ist
  • Vals AI (Vals Index, Harvey Legal Agent Benchmark, Terminal-Bench 4.0, Finance Agent) — unabhängige Genauigkeit bei beruflichen Agentenaufgaben, mit Kosten pro Test
  • Artificial Analysis (FrontierCode 2.0, Coding Agent Index, Cyber Index) — unabhängige Erledigung von Programmier- und Cyber-Agentenaufgaben, mit Kosten pro Testversuch
  • Vom Hersteller gemeldete Agentenwerte — Selbstangaben zum Starttag (CyberGym, Cybench, DeepSWE, Terminal-Bench 2.1), gemessen mit der eigenen Umgebung des Anbieters
  • Modellgröße und Hardware — Gesamt- und aktive Parameter sowie die GPUs, die zum Betrieb nötig sind

5Wer gerankt hat

Die führenden KIs: Claude, ChatGPT, Meta, Gemini, Nova, Wenxin, DeepSeek, Qwen. Jede hat unabhängig ihre eigene Zehnerliste erstellt und für jeden Platz eine Quelle genannt.

6Wie die Plätze festgelegt wurden

Derselbe Eintrag, von verschiedenen KIs unterschiedlich formuliert, wurde als einer gezählt. Je mehr KIs einen Eintrag auf ihre Liste setzten und je höher, desto höher sein Platz. „Einigkeit der KIs“ zeigt, wie viele KIs ihn auf ihrer eigenen Liste hatten. Quellen sind nur die, die die KIs selbst gefunden haben; nichts wurde von Hand ergänzt.

06Die Liste jeder KI

🇺🇸 Claude10 Plätze · 3 Hinweise

Dieselbe Frage, allein von Claude beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    GLM-5.3 (Z.ai, 2026)

    Z.ai hat seine Testmethode veröffentlicht (Claude Code 2.1.207, pass@1 über 1.507 CyberGym-Aufgaben), damit jeder die 84,5 anfechten kann, doch unabhängig hat das bisher niemand getan.

  2. 2
    Mistral Large 4 (2026)

    Seine Cyber-Behauptung hat die kleinste sichtbare Lücke: Mistral nennt rund 82 % bei CyberGym-E2E, ein unabhängiger Index hat 81,7 % gemessen.

    Quelle ↗
  3. 3
    DeepSeek V4.1 Flash (2026)

    Mistrals Grafik ließ es weg, und die Tabelle von Reflection AI setzt es bei DeepSWE über Large 4 (74,2 % gegen 61,7 %).

    Quelle ↗
  4. 4
    Kimi K3 (Moonshot AI, 2026)

    Seine 88,3 bei Terminal-Bench 2.1 stammen von Moonshot selbst, Metas Tabelle nennt 85,0, und die Gewichte wiegen 1,4 TB.

    Quelle ↗
  5. 5
    Muse Spark Open (Meta, 2026)

    Meta sagt, es schlage Kimi K3 bei der Tool-Nutzung, liege beim Coding aber zurück: 76,4 gegen 85,0 bei Terminal-Bench 2.1.

    Quelle ↗
  6. 6
    Qwen3.8-2.4T-A95B (Alibaba, 2026)

    Die GPQA-Angabe von 92,6 gilt für die Max-Version, nicht für den herunterladbaren Checkpoint.

  7. 7
    MiMo-V2.6-Pro (Xiaomi, 2026)

    Eine Vals-Analyse titelt, es sei rund 100-mal günstiger als Claude Opus 5.5.

  8. 8
    Nemotron 3.5 Bolt 74B-A9B (Nvidia, 2026)

    Das leichteste der Gruppe: 74 Mrd. Parameter, davon 9 Mrd. aktiv, passt bei 2 Bit in 24 GB.

  9. 9
    Qwen3.8 27B (Alibaba, 2026)

    Ein Agenten-Kopf für den Laptop mit 34 im alten Index, aber nur 20 auf v5.

    Quelle ↗
  10. 10
    Kolibri-1 (Aleph Alpha, 2026)

    Es läuft auf zwei A100 mit je 80 GB, erreicht aber bei Terminal-Bench 2.1 nur 27,7 – eigene Angabe des Herstellers.

Was Claude aufgefallen ist

Mistrals Cyber-Behauptung ist der eine Fall, in dem eine Zahl zum Starttag fast mit einer unabhängigen übereinstimmt (rund 82 % behauptet, 81,7 % gemessen). Doch die Argumentation stützt sich teilweise darauf, dass geschlossene Modelle die Aufgaben verweigern, und diese Lücke könnte schrumpfen, sobald die Gewichte öffentlich sind.

Die Wahl des Testgerüsts bewegt Agenten-Werte ebenso stark wie die Wahl des Modells. Ein Modell erreichte bei SWE-Bench Pro mit einem Standard-Gerüst 45,9 % und mit dem eigenen Agenten des Anbieters 55,4 %; Scale AI sah bei drei Agenten eine Spanne von 5,2 Punkten.

Die Terminal-Bench-2.1-Werte der Anbieter für offene Modelle liegen bei 76 bis 88, während der beste Wert mit offenem Testgerüst bei Terminal-Bench 2 bei 51,9 % liegt. Beide nutzen verschiedene Versionen und Gerüste, daher ist die Lücke eine Warnung, keine Messung.

🇺🇸 ChatGPT10 Plätze · 2 Hinweise

Dieselbe Frage, allein von ChatGPT beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    DeepSeek V4.1 Flash 1017 (2026)

    Mit 28 % unabhängig gemessenem Abschluss bei FrontierCode liegt es vor allen veröffentlichten offenen Gewichten, und ein gemessener Anbieter verlangt 0,37 $ pro zusammengesetztem Intelligenztest-Versuch.

    Quelle ↗
  2. 2
    GLM-5.3 (2026, Z.ai)

    Erreicht DeepSeeks Intelligenz-Index von 32, kostet aber 2,53 $ pro Intelligenztest-Versuch bei einem unabhängig gemessenen Anbieter.

    Quelle ↗
  3. 3
    MiMo-V2.6-Pro (2026, Xiaomi)

    Verbindet 57,81 % professionelle Genauigkeit bei Vals mit angeblich 0,24 $ pro Intelligenztest-Versuch bei GMI.

    Quelle ↗
  4. 4
    Mistral Large 4 OSS (2026, Frankreich)

    Sein unabhängiges Ergebnis von 81,56 % bei Vibe Code steht 26,26 % bei Terminal-Bench 4.0 gegenüber: Die Auswahl der Aufgaben verändert die Geschichte stark.

  5. 5
    MiMo-V2.6-Flash (2026, Xiaomi)

    Mit 0,11 $ pro Intelligenztest-Versuch bei GMI ist es ein günstiger Kandidat für wiederholte Agenten-Versuche.

    Quelle ↗
  6. 6
    Ling 3.1 Flash 1019 (2026)

    Sein Intelligenz-Wert von 29 und 25 Mrd. aktive Parameter zählen es zu den stärkeren effizienten Agenten-Kandidaten.

    Quelle ↗
  7. 7
    Step 5 Preview (2026, StepFun)

    Sein Index von 29 entspricht Ling, doch sein Preis von rund 0,50 $ pro gemischter Token schwächt die Wirtschaftlichkeit wiederholter Versuche.

    Quelle ↗
  8. 8
    Kimi K3 (2026, Moonshot AI)

    Seine starke Bewertung durch menschliche Präferenzen macht es wert, es als Planungs- oder Prüfagenten zu testen, doch das ist kein Beweis für abgeschlossene Werkzeug-Abläufe.

  9. 9
    MiniMax-M3.1-Flash (2026)

    Ein Intelligenz-Wert von 29 und gemessene Testkosten von 0,42 $ pro Versuch machen es interessant, obwohl die Nutzungsrechte unklar bleiben.

    Quelle ↗
  10. 10
    Mistral Large 3 (2025–2026)

    Apache 2.0 bietet einen betrieblichen Vorteil, wenn ein Unternehmen Kundenagenten hosten will, ohne die Model-as-a-Service-Ausnahme von Large 4.

    Quelle ↗

Was ChatGPT aufgefallen ist

Bei FrontierCode 2.0 erreicht das beste veröffentlichte offene Gewicht 28 %, Claude Opus 5.5 kommt auf 46 %. Die Lücke von 18 Punkten ist eine klare Warnung davor, allgemeine Intelligenz mit verlässlichem autonomem Coding gleichzusetzen.

Ein Testversuch für 0,11 $ ist nicht automatisch günstiger als einer für 0,37 $, wenn das billigere Modell viel öfter scheitert. Die Wirtschaftlichkeit fertiger Aufgaben verlangt, Wiederholungen und menschliche Nacharbeit zu messen.

🇺🇸 Meta10 Plätze · 4 Hinweise

Dieselbe Frage, allein von Meta beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    DeepSeek V4.1 Flash 1017 (2026, China)

    Vals-Index-Spitze unter den offenen Modellen mit 61,26 % bei 0,66 $ pro Test gegenüber Sonnet 5.5 mit 18,70 $ – 28-mal günstiger, 90,6 Terminal-Bench 2.1 laut Anbieter, aber 31,8 unabhängig

    Quelle ↗
  2. 2
    Xiaomi MiMo-V2.6-Pro (2026, China)

    89,9 bei Terminal-Bench 2.1, knapp vor Claude Opus 5 mit 89,1, 71,9 DeepSWE v1.1, 94 % CyberGym, 0,13 $ pro Intelligenz-Aufgabe

    Quelle ↗
  3. 3
    Z.ai GLM-5.3 (2026, China)

    84,5 % CyberGym White-Box – technisch vor Claude Mythos 5 mit 83,8 %, DeepSWE 66,9 % gegenüber 46,2 zuvor, 40 % Terminal-Bench 4.0

    Quelle ↗
  4. 4
    Z.ai GLM-5.3 Flash (2026, China)

    MIT, 0,15 $/0,50 $, 84,3 bei Terminal-Bench 2.1 laut Anbieter, bester Preis für einen offenen Agenten auf einem einzelnen Host

    Quelle ↗
  5. 5
    Mistral Large 4 Le Chonk (2026, Frankreich)

    Anbieterangabe 93 % Cybench, 82 % Schwachstellen-Patching, 61,7 % DeepSWE v1.1 – unabhängig 41 % Terminal-Bench 4.0 und 48 % Coding Agent Index, bei 47 % weniger Tokens

    Quelle ↗
  6. 6
    Moonshot Kimi K3 (2026, China)

    Bester offener Wert im Vals Index mit 57 %, 1488 Arena, K3.1 Pro erreicht 67 % bei Terminal-Bench 4.0 in v5 – bester offener Terminal-Wert

    Quelle ↗
  7. 7
    DeepSeek V4 Pro 0813 (2026, China)

    MIT, null Ablehnungen bei 840 feindseligen Sicherheitsaufgaben, 76 % CyberGym-E2E gegenüber 79 % bei Mistral Large 4, halbe Kosten pro Erfolg

    Quelle ↗
  8. 8
    Alibaba Qwen3.8-2.4T-A95B Max (2026, China)

    2,4 Billionen gesamt, 95 Mrd. aktiv, eigene 50-Mio.-$-MaaS-Schranke, 68,89 % bei IOI – das 27B-Geschwistermodell unter Apache ist die saubere Lizenzalternative

    Quelle ↗
  9. 9
    MiniMax M3.1 Flash (2026, China)

    428 Mrd. gesamt, 23 Mrd. aktiv im MoE, 0,075 $/0,30 $ – günstigstes Frontier-Agentenmodell, 43 im Intelligence Index, Gewichte seit 23. Oktop auf Hugging Face

    Quelle ↗
  10. 10
    Google Gemma 4 31B / Nvidia Nemotron 3.5 Bolt 74B (2026, Vereinigte Staaten)

    Beste US-Hardware-Passung – Gemma mit 1452 Arena auf 31B, Nemotron 74 Mrd. gesamt, 9 Mrd. aktiv passt auf eine 24-GB-GPU, Apache 2.0 plus Nvidia-Open-Lizenz

    Quelle ↗

Was Meta aufgefallen ist

Die Vertrauenslücke beträgt über 10 Punkte: DeepSeek V4.1 Flash – Anbieterangabe 42,3 % bei Terminal-Bench 4.0 gegenüber unabhängig 31,8 % bei Vals; Mistral Large 4 – Anbieterangabe 82 % Schwachstellen-Patching gegenüber 41 % bei Terminal-Bench 4.0 unabhängig. Die Startangaben liegen 20 Punkte über unabhängigen Nachmessungen.

Kosten pro abgeschlossene Aufgabe: DeepSeek V4.1 Flash 1017 bei 0,66 $ pro Vals-Test gegenüber Claude Sonnet 5.5 mit 18,70 $ und Opus 5.5 mit 28,12 $ – 28-mal bzw. 42-mal günstiger bei 9 Punkten weniger Genauigkeit.

CyberGym ist gesättigt – GLM-5.3 mit 84,5 % gegenüber Claude Mythos 5 mit 83,8 % und GPT-5.6 Sol mit 83,6 % liegt innerhalb von 7,3 Punkten. Der Fähigkeitsunterschied ist in der Hauptprozentzahl nicht sichtbar.

Terminal-Bench trennt die Spreu vom Weizen: bestes offenes Modell Kimi K3.1 Pro mit 67 % gegenüber bestem veröffentlichtem DeepSeek V4.1 Flash mit 28 % bei FrontierCode und 13 % bei Terminal-Bench-Science; die meisten offenen Modelle liegen unter 10 %.

🇺🇸 Gemini10 Plätze

Dieselbe Frage, allein von Gemini beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    Qwen 2.5 Coder 32B Instruct (Alibaba, China)

    Hat die geringste Vertrauenslücke der Branche (unter 4 Prozentpunkte) und erledigt komplexe Coding-Agenten-Läufe auf Consumer-Hardware für ein paar Cent.

    Quelle ↗
  2. 2
    DeepSeek-V3 (China, 2024–2026)

    Verbindet die gewaltige Werkzeugnutzung des 671-Mrd.-MoE mit einer aggressiv niedrigen Vertrauenslücke unter 5 % und kaum ins Gewicht fallenden API-Preisen.

    Quelle ↗
  3. 3
    Llama 3.3 70B Instruct (Meta, Vereinigte Staaten)

    Schließt 92 % der Function-Calling-Sequenzen ohne Syntaxverschlechterung ab und weicht mit einer engen Abweichung von 5,1 % nur wenig von Metas Whitepaper-Angaben ab.

  4. 4
    Nous Hermes 3 - 70B (Nous Research, Vereinigte Staaten)

    Speziell für autonome Agentensteuerung und JSON-Funktionsausführung entwickelt, mit nahezu keiner Prompt-Drift über 50-Schritt-Läufe.

    Quelle ↗
  5. 5
    Mistral Large 4 (Mistral AI, Frankreich, 2026)

    Beansprucht beeindruckende 82 % bei CyberGym-E2E und 61,7 % bei DeepSWE v1.1, fällt aber auf 15,83 % im unabhängigen Legal Agent Benchmark von Harvey.

    Quelle ↗
  6. 6
    Llama 3.1 405B Instruct (Meta, Vereinigte Staaten)

    Die höchste Denkreserve unter offenen Gewichten, benötigt aber einen Server-Knoten mit 8 GPUs, um einen einzigen Agenten-Thread zu betreiben.

  7. 7
    DeepSeek-Coder-V2.5 (China)

    Ein verlässlicher automatischer Fehlersucher, dessen MoE-Design mit 16 Mrd. aktiven Parametern die Kosten für fertige Coding-Patches auf 0,05 $ drückt.

    Quelle ↗
  8. 8
    Qwen 2.5 72B Instruct (Alibaba, China)

    Ein verlässlicher Allzweck-Agent, der Multi-Agenten-Orchestrierung mit stabilem 128k-Kontext und kaum Parsing-Fehlern antreibt.

    Quelle ↗
  9. 9
    Devstral 24B / Mistral NeMo (Mistral AI, Frankreich)

    Mistrals wendiger lokaler Agenten-Runner, der IDE-Terminalbefehle zuverlässig ausführt, ohne Cloud-Guthaben in Unternehmen zu verbrennen.

    Quelle ↗
  10. 10
    GLM-4 9B Chat (Zhipu AI, China)

    Die Eintrittskarte für mobile und Edge-Agenten, die Web-Browsing-Aktionen innerhalb von 16 GB RAM verarbeiten können.

    Quelle ↗
🇨🇳 Wenxin10 Plätze · 1 Hinweise

Dieselbe Frage, allein von Wenxin beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    Meta Llama 4 Maverick 405B (2026)

    405-Mrd.-Agenten-Biest – aber Sie brauchen 8×H100 und 12k-Hardware, damit er eine Aufgabe fertigstellt

  2. 2
    DeepSeek-V3.2 671B (2025/2026)

    MoE-Trick senkt die aktiven Parameter auf rund 37 Mrd. – der Agent, der groß denkt und wenig ausgibt

  3. 3
    Mistral Large 4 123B (Mistral AI, Frankreich, 2026)

    Die 123-Mrd.-Agenten-Werte sehen auf dem Papier gut aus – unabhängige Tests zeigen einen Abstand von 20 Punkten

    Quelle ↗
  4. 4
    Qwen3 235B-A22B MoE (Alibaba, 2026)

    22 Mrd. aktiv bei der Inferenz – der Agent, den Sie sich tatsächlich rund um die Uhr leisten können

    Quelle ↗
  5. 5
    Falcon 3 180B (TII, Vereinigte Arabische Emirate, 2026)

    180-Mrd.-Generalist – ordentlicher Agent, aber nicht der Spezialist, den Sie für Code oder Recht brauchen

  6. 6
    Nvidia Nemotron 4 340B (2025/2026)

    Nvidias eigenes Agentenmodell – gebaut, um ihre Chips zu präsentieren, nicht Ihr Budget

  7. 7
    Microsoft Phi-4 14B (2025/2026)

    14 Mrd. auf dem Laptop – der Agent, der läuft, während Ihr Kaffee durchläuft

  8. 8
    Cohere Command R+ 104B (2025/2026)

    Für Unternehmens-RAG-Agenten gebaut – aber nur „offen“, solange Sie es nicht verkaufen wollen

    Quelle ↗
  9. 9
    Stability AI Stable Code 3 15B (2026)

    15-Mrd.-Code-Agent – großartig bei GitHub-Tickets, kann aber Ihre Steuererklärung nicht machen

  10. 10
    Google Gemma 3 27B (2026)

    27-Mrd.-Generalist-Agent – gut genug für 80 % der Aufgaben zum Zehntel der Kosten

    Quelle ↗

Was Wenxin aufgefallen ist

DeepSeek-V3.2 kostet selbst gehostet unter 1 pro Million Tokens und ist damit der günstigste Agent unter den Top 5. Da es ein MoE ist, sind pro Token nur etwa 37 Mrd. Parameter aktiv.

🇨🇳 DeepSeek10 Plätze · 1 Hinweise

Dieselbe Frage, allein von DeepSeek beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    DeepSeek V4.1 Flash 1017 (2026)

    Ein unabhängiger Vals-Index-Wert von 61,26 % bei 0,66 $ pro Test – doch der vom Anbieter angegebene DeepSWE-Wert von 74,2 bricht bei Vals’ unabhängigem Terminal-Bench 4.0 auf 19,7 % ein, eine der größten Vertrauenslücken des Felds.

  2. 2
    GLM-5.3 (2026)

    Die Coding-Kategorie von Vals’ gibt ihm 64,3 – der beste Coding-Agenten-Wert unter offenen Gewichten. Seine unabhängigen Zahlen halten besser stand als die meisten, aber sein Lizenzstreit zählt für alle, die Agenten für Kunden hosten.

    Quelle ↗
  3. 3
    Mistral Large 4 (Le Chonk, 2026)

    Mistrals Startangaben: 82 % CyberGym-E2E, 93 % Cybench und 61,7 % DeepSWE – doch unabhängige Cyber-Index-Tests sehen es bei rund 51 %, eine Vertrauenslücke von etwa 31 Punkten, die für Käufer von Sicherheitsagenten die entscheidende Zahl ist.

    Quelle ↗
  4. 4
    Kimi K3 (Moonshot AI, 2026)

    Ein unabhängiger Vals-Wert von 57,8 % und ein offener LMArena-Elo von 1.487 – doch die Auslöseschwelle von 20 Mio. $ Umsatz und die Grenze von 100 Mio. monatlich aktiven Nutzern heißen, dass Agenten-Plattformen einen kommerziellen Deal einplanen müssen, nicht nur GPUs.

    Quelle ↗
  5. 5
    MiMo-V2.6-Pro (Xiaomi, 2026)

    Ein unabhängiger Vals-Wert von 59,5 % mit voller MIT-Lizenz und 0,435 $/0,87 $ pro Million Tokens – die beste Kosten-pro-fertige-Aufgabe unter wirklich freizügigen Modellen.

    Quelle ↗
  6. 6
    Qwen 3.8 Max (Alibaba, 2026)

    Starke Coding-Agenten-Werte (67,4 bei Terminal-Bench 2.1 in Anbietertests), aber eine Umsatzschwelle von 50 Mio. $ für konkurrierende MaaS- und Coding-Assistenz-Geschäfte – die Agentenplattform, die es Kunden hostet, muss einen kommerziellen Deal einplanen.

    Quelle ↗
  7. 7
    Muse Spark Open (Meta, 2026)

    Platz 1 bei Vals AIs Harvey Legal Agent Benchmark mit 25,00 %, doch seine Auslöseschwelle von 20 Mio. $ für MaaS-Weiterverkauf heißt, dass Legal-Tech-Plattformen vor dem Hosting für Mandanten einen gesonderten Deal brauchen.

  8. 8
    Step 5 Preview (StepFun, 2026)

    Eine 29 auf AA v5 mit 1-Mio.-Token-Kontext und einem 600-Mrd.-MoE-Design, doch die StepFun Model License 1.0 enthält OEM- und MaaS-Bedingungen, die den Agenten-Einsatz blockieren können, obwohl die Gewichte herunterladbar sind.

  9. 9
    Nemotron 3 Ultra (Nvidia, 2026)

    Nur 23 auf AA v5, doch OpenMDW-1.1 öffnet Gewichte, Trainingsdaten und Rezepte – das transparenteste Modell für langlaufende Agenten, zu 0,60 $/2,60 $ pro Million Tokens.

  10. 10
    Beam 1.0 (Reflection AI, 2026)

    Eine 30 auf AA v5 und 48,5 % bei AutomationBench-AA – stark für agentische Abläufe –, aber nur 3,0 % bei Terminal-Bench 4.0. Es schließt Wissensarbeits-Agenten ab, nicht Terminal-Agenten.

Was DeepSeek aufgefallen ist

Offene Agenten können geschlossene Modelle erreichen, für weniger als ein Zehntel der Kosten, wenn man ihnen genug Züge gibt – ein Befund, der die Kauf-oder-Bau-Rechnung für Sicherheits- und Rechtsagententeams verändert.

🇨🇳 Qwen10 Plätze · 2 Hinweise

Dieselbe Frage, allein von Qwen beantwortet. Die endgültige Liste oben vereint alle KIs.

  1. 1
    Kimi K3.1 Pro

    Moonshots Agent schließt 94,7 % der realen Hacking-Aufgaben ab – zwischen seinem unabhängigen Wert und der Pressemitteilung aller anderen klafft eine riesige Lücke.

    Quelle ↗
  2. 2
    DeepSeek V4.1

    Das MIT-lizenzierte Arbeitspferd bewältigt komplexe Coding-Agenten über mehrere Dateien zu einem Bruchteil der Kosten US-amerikanischer Spitzenmodelle.

  3. 3
    Mistral Large 4

    Mistral behauptet 82 % bei CyberGym und 61,7 % bei DeepSWE, unabhängige Tester messen 81,7 % und 60 % – eine seltene „ehrliche“ Vertrauenslücke.

    Quelle ↗
  4. 4
    GLM-5.1

    Speziell für Harveys Legal Agent Benchmark nachtrainiert, entwirft und prüft es Verträge schneller als jedes allgemeine Modell.

  5. 5
    Qwen 3.8 Max

    Alibabas Agenten-Orchestrator dominiert asiatische Rechts- und Finanzabläufe, doch seine Lizenzgrenze von 50 Mio. $ Umsatz bremst die globale SaaS-Verbreitung.

  6. 6
    Llama 3.3 405B

    Metas riesiges Kontextfenster lässt Refactoring-Agenten über lange Strecken ganze Codebasen im Speicher halten.

  7. 7
    Yi-Lightning

    01.AIs schlanker Agent läuft auf günstigen Cloud-GPUs und ist damit die Standardwahl für Startups, die automatisierte Kundensupport-Schleifen bauen.

    Quelle ↗
  8. 8
    MiMo

    Ein spezialisierter Denk-Agent, der allgemeine Modelle bei mathematiklastigen Coding-Aufgaben schlägt, ohne einen 100-Mrd.-Parameter-Bedarf.

    Quelle ↗
  9. 9
    Phi-4

    Microsofts kleiner Agent glänzt bei lokalen, geräteinternen Sicherheitsprüfungen, bei denen das Senden von Code in die Cloud ein Compliance-Verstoß wäre.

    Quelle ↗
  10. 10
    InternLM 3

    Das Agenten-Framework des Shanghai AI Laboratory enthält eingebautes Tracing der Werkzeugnutzung und ist damit der Favorit für geprüfte Finanz-Orchestrierung.

    Quelle ↗

Was Qwen aufgefallen ist

Die „Vertrauenslücke“ bei KI-Agenten schrumpft: Die Herstellerangaben von Mistral Large 4 (82 % bei CyberGym) lagen fast gleichauf mit unabhängigen Tests (81,7 %) – ein seltener Moment der Offenheit in einem Feld, das von ausgesuchten Benchmarks geprägt ist.

Hardware-Effizienz ist der neue Burggraben für Agenten: Phi-4 und Yi-Lightning erlauben Startups, rund um die Uhr autonome Sicherheitsprüfungen auf einer einzigen RTX 4090 laufen zu lassen und Cloud-API-Limits komplett zu umgehen.